基于区分性卷积神经网络的乳腺肿瘤分类方法和装置制造方法及图纸

本发明专利技术公开了一种基于区分性卷积神经网络的乳腺肿瘤分类方法和装置，所述方法包括：对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广，得到训练集；构建区分性卷积神经网络模型，基于所述训练图像计算所述区分性卷积神经网络的模型参数；其中，所述区分性卷积神经网络模型的结构为：在卷积神经网络的基础上增加区分性辅助分支，接入卷积层、池化层和全连接层，并引入Inter‑intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性；获取一幅待分类的乳腺超声图像，对所述超声图像进行分割，获取感兴趣区域；将所述感兴趣区域输入到所述区分性卷积神经网络得到分类结果。本发明专利技术的分类方法能够有效提高乳腺超声图像中的肿瘤分类性能。

Classification method and device of breast tumor based on discriminative convolution neural network

The invention discloses a method and a device for breast tumor classification discrimination based on convolutional neural network, the method includes: acquiring the region of interest segmentation and data augmentation of multiple tumors in ultrasound images, obtained the training set; constructing discriminative convolutional neural network model, the model parameters of the training image calculation the distinction of convolution based on neural network; the structure of the discriminative convolution neural network model: increase the discriminative auxiliary branches based on convolutional neural network, access volume layer, layer and pool layer is connected with the company, and the introduction of Inter intra Loss function is used to enhance the similarities and differences of different between the classes of the acquisition; a classification for breast ultrasound images of the ultrasound image segmentation, obtain the region of interest; the interest The region is input to the discriminative convolution neural network to get the classification results. The classification method of the present invention can effectively improve the classification performance of the tumor in the breast ultrasound image.

【技术实现步骤摘要】
基于区分性卷积神经网络的乳腺肿瘤分类方法和装置
本专利技术属于针对医学图像的数据分类领域，尤其涉及一种基于区分性卷积神经网络的乳腺肿瘤分类方法和装置。
技术介绍
对于女性来说，乳腺癌是发病率和致死率较高的疾病之一。早发现早治疗是提高治疗效率的关键。医学影像已成为临床上辅助疾病诊断的主要方式。相比较钼靶、核磁共振等其他影像，超声具有辐射少、价格便宜、对致密性组织检测敏感等优点。因此，超声图像已成为辅助乳腺癌早期诊断的主要工具之一。由于影像医生的经验不同，使得人工对乳腺超声图像进行诊断具有一定的主观性。而利用计算机辅助诊断技术能够对乳腺超声图像进行自动分析，从而可以为临床医生提供一个客观的诊断结果。传统的基于乳腺超声图像的计算机辅助诊断技术主要包括分割，特征提取，分类等过程。分割是将肿瘤从背景中分出来，是后续分析的基础。特征提取是对分割出的肿瘤提取量化的特征，使得提取的特征能够对肿瘤进行较好的表达。分类过程是通过对提取的特征进行有效分析，完成良恶性的分类。特征提取和分类是辅助诊断技术的关键环节。本专利技术主要着重于特征提取和分类技术。现有的乳腺超声图像的特征提取主要集中在纹理特征的提取。本文档来自技高网...

【技术保护点】
一种用于乳腺肿瘤分类的区分性卷积神经网络的训练方法，其特征在于，包括：对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广，得到训练集；构建区分性卷积神经网络模型，基于所述训练图像计算所述区分性卷积神经网络的模型参数；其中，所述区分性卷积神经网络模型的结构为：在卷积神经网络的基础上增加区分性辅助分支，接入卷积层、池化层和全连接层，并引入Inter‑intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性。

【技术特征摘要】
1.一种用于乳腺肿瘤分类的区分性卷积神经网络的训练方法，其特征在于，包括：对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广，得到训练集；构建区分性卷积神经网络模型，基于所述训练图像计算所述区分性卷积神经网络的模型参数；其中，所述区分性卷积神经网络模型的结构为：在卷积神经网络的基础上增加区分性辅助分支，接入卷积层、池化层和全连接层，并引入Inter-intraLoss函数用于增强同类之间的相似性以及不同类之间的差异性。2.如权利要求1所述的区分性卷积神经网络的训练方法，其特征在于，所述对多幅超声图像中的肿瘤进行分割是基于C-V主动轮廓模型。3.如权利要求1所述的区分性卷积神经网络的训练方法，其特征在于，所述训练图像包括：对多幅超声图像中的肿瘤进行分割得到的部分感兴趣区域图像，以及基于所述感兴趣区域图像进行数据增广得到的图像。4.如权利要求3所述的区分性卷积神经网络的训练方法，其特征在于，所述数据增广是利用高斯噪声模型，通过变换模型的参数实现。5.如权利要求1所述的区分性卷积神经网络的训练方法，其特征在于，所述Inter-intraLoss函数为：

【专利技术属性】
技术研发人员：袭肖明，尹义龙，孟宪静，聂秀山，杨璐，
申请(专利权)人：山东财经大学，
类型：发明
国别省市：山东,37